ContextChef：把 Agent 上下文当编译问题来解，这才是真正的上下文工程

为什么我觉得它是当前最被低估的 LLM 工程化 Skill

现在大家聊 Agent，还在卷“模型更强、提示词更酷、MCP 更多”，但真正卡住复杂 Agent 的，往往不是模型本身，而是上下文管理崩了：对话太长忘事、工具太多幻觉、换家模型就要重写适配、长任务跑到一半状态漂移。

ContextChef 就是专门解决这个问题的。它是 TypeScript/JavaScript Agent 的上下文编译器：在你每次把消息发给 LLM 之前，它自动帮你把原始状态整理成最优 payload——压缩历史、裁剪工具、注入结构化状态、保持缓存命中。

它到底能做什么

• 历史压缩：超长对话自动摘要，保留关键记忆，不是粗暴截断。
• 工具剪枝：按任务动态裁剪工具列表，减少幻觉和无效调用。
• 多模型适配：同一套状态，自动编译成 OpenAI / Anthropic / Gemini 各自需要的格式。
• Memory + Snapshot：跨会话记忆、状态快照与回滚，长任务终于不会“失忆”。
• Vercel AI SDK / TanStack AI 直插：两行 middleware 就能接上，不用改业务代码。

适合谁用

如果你在用 Claude Code、Cursor、OpenClaw 或自研 Agent，且已经被这些场景折磨过——长对话爆上下文、工具列表膨胀、多模型切换成本高——那 ContextChef 非常值得试。它不像 MCP 那样要重做架构，只在你和模型之间做一层“编译”，侵入性极低。

我的看法

模型能力已经 commodity 化，真正的差异化在上下文工程。ContextChef 的方向是对的：把“发给模型的每一条消息”当成一个编译问题来处理，而不是当成静态 prompt 来写。如果你正在做 Agent 基础设施或长期运行的 AI 工作流，建议把这个仓库放进你的 backlog。

GitHub：https://github.com/MyPrototypeWhat/context-chef

GitHub: https://github.com/MyPrototypeWhat/context-chef